10 Feb 17:21 avatar

Проведение стратегического анализа в банке с использованием технологии «data mining»

Мероприятие: Семинар «Проблемы организации финансово-аналитической службы в коммерческом банке» | Автор: Сафонов М.С. (Начальник Управление развития и стратегического планирования Внешэкономбанк), Пастухов Е.С. (Начальник отдела анализа внешней среды Внешэкономбанк) | Источник: bankclub.ru

Введение
Настоящий доклад преследует три цели. Во-первых, рассказать в общих чертах о методике анализа внешней среды, как составной части методического обеспечения стратегического управления во Внешэкономбанке. Во-вторых, вынести на обсуждение тезис о том, что многое из того (имеется ввиду аналитический инструментарий), что разработано в рамках дисциплины Стратегический анализ, при его конкретной реализации сводится к единой схеме последовательного применения стандартных аналитических процедур, широко применяемых в теориях распознавания образов и принятия решений. В-третьих, продемонстрировать, как технология обработки данных «data mining» позволяет обеспечить новый, более глубокий уровень проработки классических вопросов стратегического анализа.

1. Методика анализа внешней среды
Решение стратегических задач, направленных на реформирование Внешэкономбанка, поиск наиболее оптимальных путей его развития, сегодня невозможны без учета влияния внешней среды, характерной своей нестабильностью и непредсказуемостью. Как справедливо отмечает ряд авторов, современные банковские стратегии исходят из представления о банке, как об «открытой системе», успех которой определяется тем, насколько удачно она приспосабливается к изменениям, происходящим во внешней среде. В этих условиях, главным критерием эффективности стратегического управления банком становится своевременное распознавание угроз и преимуществ для его существования, способность устойчиво противостоять нестабильности внешней среды и рационально использовать возникающие возможности.

Краеугольным камнем стратегического управления банком, наряду со стратегическим планированием и контролем, является стратегический анализ. Стратегический анализ представляет собой достаточно сложную систему составляющих его анализов, наиболее трудным из которых является анализ внешней среды, включающий в себя анализ макросреды и анализ микросреды (отраслевой и конкурентный анализы). Каждый из перечисленных видов анализа распадаются в свою очередь на еще более специфические анализы, что в итоге приводит к определенной системе логически взаимоувязанных методов анализа. В качестве примера, можно привести разработанную Управлением развития и стратегического планирования Внешэкономбанка методику анализа внешней среды, состоящую из методов анализа двух уровней.

На первом, уровне располагаются классические (назовем из базовыми), традиционные для этой области, методы стратегического анализа:
  • PEST(Political, Economic, Social, Technological)- анализ, состоящий из анализов политической, экономической, социальной и технологической сфер.
  • Отраслевой анализ, состоящий из анализа жизненного цикла отрасли, анализа движущих сил отрасли, анализа фактора успехов в отрасли и др.
  • Конкурентный анализ, состоящий из оценки типа конкуренции и степени ее интенсивности, анализа основных конкурентных сил, анализа стратегических групп конкуренции и др.
В описании методов первого уровня освещаются следующие аспекты: «что делать», то есть общая схема метода, какие информационные источники использовать, какие ресурсы (человеческие, алгоритмические, программные и др.) привлекать. Однако для конкретной реализации базовых методов описаний на таком уровне детализации не достаточно. Для того, чтобы раскрыть технику применения базового метода, необходим второй уровень методов (вспомогательный), который уже объясняет не «что делать», а как делать. На этом уровне описываются алгоритмы и модели решения задач, которые возникают при реализации базовых методов. Во второй части доклада приводится описание некоторых из этих задач, которые по своей сути также являются типовыми, но уже в рамках других дисциплин – теорий обработки данных и принятия решений.
На втором уровне Методики анализа внешней среды мы остановились на следующих 10 методиках, описывающих вспомогательные методы анализа:
  • Методика поиска новых факторов внешней среды на основе технологии автоматического анализа текстов.
  • Методика анализа и оценки однородных факторов внешней среды на основе самоорганизующихся карт признаков.
  • Методика анализа внешней среды в сложных ситуациях на основе когнитивных карт.
  • Методика применения метода сценариев.
  • Методика экспертного прогнозирования.
  • Методика анализа нестабильности внешней среды.
  • Методика построения стратегических групп конкуренции.
  • Методика анализа степени интенсивности рыночной конкуренции.
  • Методика отслеживания (мониторинга) конкурентов.
  • Методика применения метода анализа иерархий.
Среди перечисленных выше методик большинство – широко известны в рамках теории принятия решений. Однако потребовались определенные усилия по их привязке к базовым методам анализа внешней среды банка. Наиболее оригинальной методикой на наш взгляд является методика 2, которая использует технологию «data mining» и которой посвящен отдельный доклад на этом семинаре

2. Единый подход к методам анализа внешней среды
Если внимательно изучить предлагаемые в многочисленных изданиях по стратегическому менеджменту методы анализа внешней среды, то за небольшим отличием все авторы склоняются к следующей последовательности 3-х вложенных в себя по сферам применения типов анализа: анализ макросреды, отраслевой анализ и конкурентный анализ. Объектами рассмотрения этих анализов являются сферы политики, экономики, социальная, технологическая, а иногда и экологическая для макросреды; те или иные отрасли хозяйствования для отраслевого анализа, а также конкурентные силы, действующие на рынках товаров и услуг, для конкурентного анализа. Все три типа анализа преследуют три главные цели в отношении данной организации (банка):
  • оценить произошедшие изменения в рассматриваемой сфере
  • выявить потенциальные угрозы для текущей и будущей деятельности,
  • обнаружить потенциальные возможности для реализации стратегических целей.
Достижение этих трех целей осуществляется посредством последовательного решения следующих 3-х аналитических задач:
  • рассмотреть по возможности максимальное число факторов, релевантных поставленным целям, и отобрать среди них наиболее важные с точки зрения их влияния на конечные цели
  • определить или оценить, в каком состоянии находятся эти факторы сейчас и каковы перспективы их развития в будущем (на горизонт стратегического планирования)
  • идентифицировать настоящие и будущие состояния факторов, как угрозы или возможности для банка
Рассмотрим теперь методы анализа, которыми можно решать перечисленные аналитические задачи.

Сбор релевантных факторов, влияющих на цели можно проводить тремя путями:
  • воспользоваться эталонным (типовым) списком факторов, разработанных заранее по данной проблеме. Эталонные списки факторов апробированы, широко известны и общедоступны, но в силу своей универсальности могут оказаться в последствии малопродуктивны),
  • привлечь опытных специалистов в данной предметной области, провести их опрос и составить экспертное заключение. Этот метод в основном и используется на практике, но он сопряжен с известными в таких случаях издержками (затраты на привлечение экспертов, субъективизм экспертных оценок и др.),
  • применить технологию полуавтоматического поиска релевантных факторов, путем использования технологии «text data mining», то есть извлечения полезных знаний из больших массивов текстовой информации по данной проблеме. Эта технология в настоящее время получает все большую популярность, благодаря своей простоте и удобству для аналитика, высочайшей скорости обработки огромных массивов исходной информации и объективностью получаемых решений (более подробно о применении этой технологии – в третьей части доклада).
Последний метод, на наш взгляд, более предпочтителен, так как требует (при наличии программных средств реализации) гораздо меньшего времени и, главное, может обнаружить новые, неожиданные, скрытые в массивах исходной информации факторы влияния.

Отбор наиболее важных факторов можно проводить несколькими методами, хорошо разработанными в теории принятия решений.

Как правило, это линейное или групповое ранжирование факторов в условиях задания одного или нескольких критериев отбора (типа: степени влияния фактора на цель, стоимости получения информации о факторе, трудности оценки его состояния) и преференций аналитика, основанного на его личных знаниях и опыте. При наличии формализованных критериев отбора (целевого функционала) и ограничений данная задача сводится к проблеме комбинаторной оптимизации и хорошо решается методами генетических алгоритмов.

Другой путь, более сложный путь решения – это построение по исходной исторической информации о факторах регрессионной модели, на входе которой – значения всех релевантных факторов, а на выходе уровень достижения заданной цели. После обучения (тренировки и тестирования) модели проводится ее анализ чувствительности, по которому и устанавливается степень влияния (важности) каждого входного фактора на выходную целевую величину.

Следует отметить, что вторая задача – отбор наиболее важных факторов не менее значима, чем первая, так как позволяет существенно сократить пространство дальнейшего поиска и снизить трудозатраты на выполнения последующих процедур.

Определение состояния факторов внешней среды представляет собой присвоение конкретных значений переменным внешней среды, описывающих данный фактор, а также проверку условий относительно их соотношения между собой.

В простейшем случае определение состояния фактора является тривиальной задачей, сводящейся к означиванию переменных фактора, вычисления по ним агрегированной скалярной величины типа свертки, (аддитивной или мультипликативной) и сравнения с пороговыми величинами для присвоения уже качественного значения, определяющего состояния фактора. По существу используется скоринговая модель, когда экспертным или иным путем оцениваются значения переменных фактора и рассчитывается взвешенная оценка по всем факторным переменным.

В более сложном случае, когда определяется состояние сложного комплексного фактора, представленного большим числом разноплановых переменных, использование простейших скоринговых моделей уже недостаточно. В этих случаях можно применить технологию самоорганизующихся карт признаков Кохонена, которая позволяет вначале на основе исторических данных строить карты многомерных состояний фактора, а затем с их помощью быстро определять текущее состояние фактора. Технология относится частично к аналитическому, а частично к визуальному «data mining», о которой будет рассказано в 3 части доклада.

Идентификация состояния факторов, как угроза или возможность, представляет собой классическую классификационную задачу, содержанием которой является отнесение данной совокупности состояний факторов к одному из нескольких категорий: угрозе, возможности или некоторой промежуточной величине, которая является нейтральным событием для банка. Кажущаяся на первый взгляд простота проблемы определения для банка, что есть фактор – угроза, возможность или ничего, является достаточно сложной, и деликатной. Дело в том, что одни и те же состояния группы факторов, но в разных контекстах (временных, политических и др.) могут означать либо угрозу, либо возможность для банка. С другой стороны, многочисленные силы, влияющие на банк (акционеры, учредители, менеджмент, и др.) порой преследуют свои собственные, порой противоположные интересы и, естественно, по разному интерпретируют угрозу или возможность для банка. Наиболее правильный путь избежать неоднозначности в трактовке влияния на банк событий внешней среды – это оценить происходящее с точки зрения достижения принятых в банке стратегических целей.

Для решения сформулированной выше задачи имеется 2-х принципиально разных подхода.

Первый подход основан на знаниях экспертов в данной области и реализуется, либо методом экспертных оценок типа взвешенного голосования, либо с помощью экспертной системы, в базу знаний которой включены диагностические правила отнесения данной совокупности состояний факторов к одной из категорий (угроза, возможность, нейтральное событие).

Второй подход основан на использовании исторических данных о состоянии факторов внешней среды и соответствующих этому последствий для банка. Для реализации этого подхода, методом обучения на исторических данных строится модель классификации, которая в дальнейшем используется для определения, угрозу или возможность представляет для банка текущее состояние факторов внешней среды.

3. Технология data mining как мощное средство реализации методов анализа внешней среды.
Содержательное рассмотрение методов анализ внешней среды позволяет отметить ряд особенностей, создающих трудности для их реализации:
  • Большие массивы текстовой и числовой информации, которая используется для анализа и прогноза. Определенная степень неполноты, искаженности и противоречивости этой информации.
  • Большое количество (влияющих на цели анализа) факторов, сложные причинно-следственные связи между ними. Важнейшие факторы внешней среды имеют комплексный характер и являются агрегатами многих экономических переменных различной природы (симптомы, индикаторы, показатели). Рабочее описание таких факторов требует специальных типов представлений, например в виде сетевых или многомерных баз данных.
  • Областью применения многих методов анализа внешней среды являются достаточно многочисленные (от десятков до десятков тысяч) совокупности однородных объектов, описанных в едином признаковом пространстве (например, конкуренты банка или его клиенты).
Перечисленные особенности зачастую маскируют принципиально важные для стратегических решений внутренние связи и закономерности, скрытые в больших и сложно организованных базах данных. Решению этой общей для многих аналитических аспектов бизнеса и финансов проблемы занимается специально разработанная информационная дисциплина «data mining», переводимая как «извлечение знаний из данных» или иногда просто «углубленный анализ данных». В отличие от традиционных аналитических подходов, которые нацелены на подтверждении (статистическим, методом информационного поиска или иным) уже сформированных, выдвинутых гипотез, технология «data mining» позволяет обнаруживать скрытые в больших массивах информации новые, ранее неизвестные скрытые связи и закономерности, которые могут быть использованы с пользой для бизнеса. В зависимости от типа исходной информации и используемых методов извлечения из нее знаний, различают текстовой, аналитических и визуальный «data mining».

Программные пакеты текстового «data mining» (например, TextAnalyst) позволяют по большой совокупности текстов заданной предметной области строить смысловую модель их общего содержания, автоматически устанавливая устойчивые ассоциативные связи между ключевыми понятиями, что помогает сформировать на этой основе базу знаний, с помощью которой осуществляются смысловые поисковые запросы, формируются рефераты любой степени детализации и многое другое из того, что безусловно необходимо при углубленном анализе внешней среды и так или иначе приходится делать «вручную».

Программные пакеты аналитического «data mining» (например, PolyAnalyst, NeuroShell и др.) позволяют строить по массивам исходной информации методом адаптивного обучения на исторических данных модели распознавания, классификации и кластеризации, которые затем можно использовать при анализе и прогнозировании внешней среды, в частности, по следующим проблемам:
  • Обнаружения наиболее важных факторов внешней среды и определения их текущего состояния.
  • Группировки банков-конкурентов в стратегические группы с целью оценки интенсивности конкуренции и ближайших конкурентов.
  • Оценка степени прибыльности и лояльности клиентов банка с целью удержания прибыльного клиента и избавления от убыточного.
  • Поиск новых перспективных для банка клиентов, оптимизация расходов (рекламных и др.) на их приобретение.
  • Обнаружение устойчивых совокупностей приобретаемых клиентами банка наборов банковских продуктов и услуг, с цель увеличения прибыли за счет организации кросс- и супер-продаж.
Программные пакеты визуального «data mining» (например, MineSet, VisCovery SOMine и др.) позволяют не только автоматически строить вышеупомянутые аналитические модели, но и использовать «глазной анализатор» аналитика-эксперта, которому предоставляется возможность увидеть огромные массивы исходных и преобразованных данных в различных формах многомерного представления с использованием кодирования цветом, формой, а также динамикой, благодаря развитым средствам визуализации и анимации.

Одним из наглядных примеров визуального «data mining» являются самоорганизующиеся карты признаков Кохонена, которые позволяют переводить (с помощью специального алгоритма кластеризации) стандартное табличное представление многомерных объектов (например банков) в наглядную форму атласа двухмерных карт (карту кластеров и карт признаков). Сохраняя на картах топологию и распределение банков, которые они имели в исходном многомерном пространстве признаков, карты позволяю обнаружить принципиально новую информацию:
  • о структуре банковской среды, количеству и размеру образовавшихся в результате кластеризации групп банков со схожими характеристиками (групп конкуренции),
  • о принципиально важных локальные свойствах отдельных групп банков или банков внутри группы,
  • об изменении стратегических позиций банков за определенный период времени,
  • о непосредственных конкурентах для каждого выбранного для исследования банка.
Кроме этого, с помощью самоорганизующихся карт признаков можно проводить макроэкономические исследования:
  • выявить устойчивые состояния макроэкономического развития страны
  • определить в каком состоянии находится макроэкономика сейчас и каковы тенденции ее развития
  • искать сложные нелинейные зависимости между макроэкономическими показателями
  • осуществлять анимационный мониторинг состояний
  • прогнозировать макроэкономические показатели, даже в условиях неполноты исходной базы данных

0 комментариев

Только зарегистрированные и авторизованные пользователи могут оставлять комментарии.